論文の概要: Transmission Factors for Lossy Compression of PDE Training Data: Measuring What Reaches a Trained Operator

• arxiv url: http://arxiv.org/abs/2610.06095v3
• Date: Wed, 07 Oct 2026 07:39:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.457607
• Title: Transmission Factors for Lossy Compression of PDE Training Data: Measuring What Reaches a Trained Operator
• Title（参考訳）: PDE訓練データの損失圧縮のための伝達因子:訓練オペレータの到達度の測定
• Abstract要約: オペレータ学習ベンチマークは、フル精度の配列として出荷され、テラバイトスケールに成長した。 この量は間違った場所で測定されていることを示す。 トレーニングされたモデルに対するバックチェックでは、両方の方向で、格納されたビットの最大2倍の割合で、それらのレートが間違っていることが分かる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Operator-learning benchmarks ship as full-precision arrays, and they have grown to terabyte scale. A curator who wants to distribute one has to decide how coarsely to store it. That decision is usually made by fixing a tolerance on the reconstruction error of the stored field. We show that this quantity is measured in the wrong place. It compares the stored field with the original, before any model is trained. What the curator is buying is the accuracy of a model trained on the compressed copy, and the two can disagree: two PDEBench families stored to identical field error differ threefold downstream. A solution operator smooths, so only part of the codec error ever reaches the model's output. That part can be measured. Push a compressed field through a model already trained at full precision, and compare its output against the output on the clean field. The measurement costs forward passes and no training on compressed data. It spans more than two orders of magnitude across six PDE families, and it orders downstream cost where field error does not, inverting 12 of 104 cross-dataset comparisons against field error's 36. Read as a budget, the same curve nominates a storage rate for each dataset. A back-check against trained models finds those rates wrong in both directions by up to a factor of two in stored bits.
• Abstract（参考訳）: オペレータ学習ベンチマークは、フル精度の配列として出荷され、テラバイトスケールに成長した。 配布したいキュレーターは、それをいかに粗末に保存するかを決定する必要がある。 この決定は通常、記憶されたフィールドの復元エラーに対する耐性を固定することでなされる。 この量は間違った場所で測定されていることを示す。 モデルがトレーニングされる前に、保存されたフィールドと元のフィールドを比較します。 キュレーターが購入しているのは、圧縮されたコピーでトレーニングされたモデルの精度であり、2つのPDEBenchファミリは、同じフィールドエラーに格納された2つのPDEBenchファミリは、下流で3倍異なる。 解演算子は滑らかなので、コーデックエラーの一部だけがモデルの出力に達する。 その部分は測定できます。 圧縮されたフィールドを完全精度で訓練済みのモデルにプッシュし、その出力をクリーンフィールドの出力と比較する。 この測定は前方通過に費やし、圧縮されたデータのトレーニングは行わない。 6つのPDEファミリーに2桁以上のオーダーがあり、フィールドエラーが起こらない場合、ダウンストリームコストを順序付けし、データ間比較104のうち12をフィールドエラー36と比較する。 予算として読み込むと、同じ曲線が各データセットのストレージレートを通知する。 トレーニングされたモデルに対するバックチェックでは、両方の方向で、格納されたビットの最大2倍の割合で、それらのレートが間違っていることが分かる。

関連論文リスト

• PMosFM: Preconditioned Manifold Matching for One-Step Physics-Constrained Generation [47.34605477768213]
  textbf Preconditioned textbfManifold textbfone-textbfstep textbfFlow textbfMatching (textbfPMosFM) は1ステップの物理制約付き生成のための事前条件付き多様体マッチングフレームワークである。 多様体デコーダの制約を符号化することにより、PMosFMは残留損失と終端残差を分離することなく固有座標の輸送を学習する。
  論文  参考訳（メタデータ） (2026-09-30T17:48:21Z)
• Finite-Horizon Fisher Memory in Two-Sided Power-Bounded Recurrent Systems [0.5076419064097734]
  ノイズを繰り返す記憶におけるアロケーション,アクセプション,書き込み後保持の分析を行う。 デュアルパワーのキャリアの場合、均一な1/n$のラグバウンドを導出します。 バイナリ精度はガウス予想と一致し、絶対誤差は0.002$以下の4桁以上である。
  論文  参考訳（メタデータ） (2026-09-30T14:13:55Z)
• Beyond Field Accuracy: Two-Axis Diagnosis of Inverse-PINN Parameter Error [12.650797715748816]
  逆物理情報ニューラルネットワーク(PINN)は、誤った物理パラメータを返却しながら、フィールドを正確に再構築することができる。 本稿では,有限サンプル分解能を特定観測・推定プロトコルで分離する2軸後訓練法を提案する。
  論文  参考訳（メタデータ） (2026-08-15T18:54:12Z)
• Neural Operator Surrogates for Two-Dimensional Neutron Flux Estimation [0.0]
  この研究は、我々の1次元シングルスイープニューラルネットワーク研究を2次元に拡張する。 等方散乱を伴う一群輸送を考える。 1次元の研究と同様に、フーリエ神経演算子(FNO)を用いて高忠実度スカラーフラックスを近似する。 本研究では,U字型ニューラル演算子(UNO)についても検討する。
  論文  参考訳（メタデータ） (2026-07-02T04:25:53Z)
• Learned Response-Field Inertia Operator for HEC-RAS 2D Water-Surface Elevation Prediction [1.2904450317782683]
  本稿では,HEC-RAS 2Dにおける水面上昇(WSE)予測のための学習済みネイティブセルサロゲートモデルのクロスデータセット評価について述べる。 本稿では,慣性応答演算子を校正する非強制的インクリメントベース学習サロゲートであるLRFIOについて紹介する。 配備期間中のロールアウト時間は0.003 sから0.242 sで、ビーバー・バイユーの測定値の比較では、HEC-RASよりも2.75 x 104の地平線正規化速度が推定される。
  論文  参考訳（メタデータ） (2026-06-04T16:49:35Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
  半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析 本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。 我々の手法は、最先端の手法をクリアマージンで上回る。
  論文  参考訳（メタデータ） (2023-07-16T16:32:14Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)
• Information-Theoretic Probing with Minimum Description Length [74.29846942213445]
  我々は,最小記述長 (MDL) を持つ情報理論探索法である標準プローブの代替案を提案する。 MDL Probingでは、ラベルを予測するためのプローブのトレーニングが、データを効果的に送信するための教えとして再キャストされる。 これらの手法は結果に一致し、標準プローブよりも情報的かつ安定であることを示す。
  論文  参考訳（メタデータ） (2020-03-27T09:35:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。